Des recherches récentes menées par l’Université du Massachusetts à Amherst évaluent dans quelle mesure l’apprentissage automatique peut identifier différentes espèces d’insectes grâce à leur son, depuis les moustiques porteurs du paludisme et les charançons avides de céréales jusqu’aux abeilles pollinisatrices des cultures et aux cigales suceuses de sève.
L’écoute du monde des insectes nous permet de suivre l’évolution des populations d’insectes et peut ainsi nous renseigner sur la santé globale de l’environnement. L’étude, publié dans le Journal d’écologie appliquéesuggère que l’apprentissage automatique et l’apprentissage profond sont en train de devenir la référence en matière de modélisation bioacoustique automatisée, et que les écologistes et les experts en apprentissage automatique peuvent travailler ensemble de manière fructueuse pour développer tout le potentiel de la technologie.
« Les insectes gouvernent le monde », déclare Laura Figueroa, professeur adjoint de conservation de l’environnement à l’UMass Amherst et auteur principal de l’article. « Certains sont des vecteurs de maladies et de ravageurs, tandis que d’autres pollinisent les cultures nutritives et recyclent les nutriments. Ils constituent le fondement des écosystèmes du monde entier et servent de nourriture à des animaux allant des oiseaux et des poissons aux ours et aux humains. Partout où nous regardons, il y a des insectes, mais il est difficile d’avoir une idée de l’évolution de leurs populations. »
En effet, à l’ère des pesticides chimiques, du changement climatique et d’autres facteurs de stress environnementaux, les populations d’insectes changent radicalement. Certaines espèces, comme les pollinisateurs qui sont responsables chaque année de services écosystémiques estimés à plus de 200 milliards de dollars dans le monde, semblent s’effondrer, tandis que d’autres, comme les moustiques qui peuvent transmettre le paludisme, la dengue et d’autres maladies, semblent être en plein essor. Pourtant, il peut être difficile d’avoir une idée précise de l’évolution des populations d’insectes.
De nombreuses méthodes traditionnelles d’échantillonnage des populations d’insectes impliquent l’envoi d’entomologistes sur le terrain pour collecter et identifier des espèces individuelles. Même si ces méthodes peuvent donner des résultats fiables, elles nécessitent également beaucoup de temps et de ressources et sont souvent mortelles pour les insectes capturés. C’est là qu’intervient l’IA.
« Après avoir travaillé dans le domaine pendant plus d’une décennie, je peux faire la différence entre le bourdonnement d’une abeille et celui d’une mouche », explique Figueroa. « Comme de nombreux insectes, mais pas tous, émettent du son, nous devrions être en mesure de former des modèles d’IA pour les identifier grâce aux sons uniques qu’ils émettent. »
En fait, une telle formation existe déjà, mais quelles sont les meilleures méthodes d’IA ?
Pour répondre à cette question, Figueroa et ses collègues, dont l’auteur principal Anna Kohlberg, qui a réalisé cette recherche alors qu’il travaillait au laboratoire de Figueroa, ont mené une revue systématique de la littérature pour analyser les études utilisant différents types de modèles bioacoustiques automatisés pour identifier les insectes. Ils ont trouvé des modèles pour 302 espèces différentes réparties dans neuf ordres taxonomiques. Ils ont divisé les modèles résultants en trois grandes catégories : apprentissage non automatique, apprentissage automatique et apprentissage profond.
Le bourdonnement distinctif d’une abeille qui fait sa ronde à la recherche de nectar et de pollen. Crédit : Laura Figueroa
Les modèles d’apprentissage non automatique associent les appels d’insectes à des marqueurs spécifiques que les chercheurs humains désignent comme clés d’identification, comme une bande de fréquence particulière dans l’appel d’un katydid. Le modèle « écoute » alors ces signaux spécifiques désignés par l’homme.
L’apprentissage automatique, en revanche, n’utilise pas d’ensemble prédéfini de marqueurs et s’appuie plutôt sur un cadre informatique flexible pour trouver des modèles pertinents dans les sons, puis associe ces modèles aux données bioacoustiques sur lesquelles il a été formé.
L’apprentissage profond, un type spécialisé d’apprentissage automatique, repose sur des cadres informatiques neuronaux plus avancés qui donnent au modèle plus de flexibilité pour identifier efficacement les modèles bioacoustiques pertinents. Il s’avère que les modèles reposant sur l’apprentissage profond sont les plus performants. Certains des meilleurs peuvent classer des centaines d’espèces avec une précision de plus de 90 %.
« Cela ne signifie pas que l’IA peut ou doit remplacer toutes les approches de surveillance traditionnelles », explique Kohlberg, et il existe des limites à ce qu’elles peuvent faire. La plupart des modèles nécessitent d’énormes ensembles de données sur lesquels s’entraîner, et même s’ils s’améliorent dans leur travail avec des ensembles de données plus petits, ils restent des outils gourmands en données. De plus, tous les insectes n’émettent pas de sons, comme les pucerons. Et les contextes très bruyants, comme un environnement urbain, peuvent facilement perturber les efforts de surveillance sonore.
« La bioacoustique automatisée est un outil clé dans une boîte à outils à multiples facettes que nous pouvons utiliser pour surveiller efficacement ces organismes importants partout dans le monde », explique Kohlberg.
Plus d’information:
Des bourdonnements aux octets : une revue systématique des modèles bioacoustiques automatisés utilisés pour détecter, classer et surveiller les insectes, Journal d’écologie appliquée (2024). DOI : 10.1111/1365-2664.14630. besjournals.onlinelibrary.wile … 1111/1365-2664.14630